189 Big Data en sectores

Asegurador y Financiero

Estudio realizado por: David Ramos Pastor Tutor: Luis Portugal

Tesis del Master en Dirección de Entidades Aseguradoras y Financieras

Curso 2014/2015

2

Esta publicación ha sido posible gracias al patrocinio de DAS Internacional

Esta tesis es propiedad del autor. No está permitida la reproducción total o parcial de este do-cumento sin mencionar su fuente. El contenido de este documento es de exclusiva responsabi-lidad del autor, quien declara que no ha incurrido en plagio y que la totalidad de referencias a otros autores han sido expresadas en el texto.

3

Presentación y agradecimientos

Expresar mis más sinceros agradecimientos a mis compañeros, con los que hemos pasado grandes momentos durante la realización del curso.

Agradecer a mi tutor Luis Portugal, su ayuda, consejo y paciencia.

Agradecer a la dirección del master y a todo el profesorado la gran experiencia y los conocimientos que me han aportado durante todo este año.

Agradecer a mis responsables en HP el apoyo y la facilidad que me han otor-gado para poder asistir a este curso,

Asimismo, gracias a mi familia por su apoyo y paciencia, en especial a mi pare-ja Ana por su insistencia y motivación. Sin ellos este año no hubiera sido posi-ble.

4

5

Resumen En el momento en que nos encontramos, la denominada era de la información, en la que todos los sectores se están subiendo al carro del Big Data, debemos plantear, si no lo hemos hecho ya, el uso de esta tecnología en los modelos de negocio de los sectores asegurador y financiero.

En esta tesina, intentaré explicar en qué consiste el Big Data, de que partes está formada una solución de Big Data, que fuentes de datos tiene el sector a su alcance y que podemos hacer con Big Data para mejorar los procesos de las compañías del sector asegurador y financiero. Así como, sus retos y segu-ridad.

Resum En el moment en què ens trobem, la denominada com a era de la informació, en què tots els sectors s'estan pujant al carro del Big Data, ens hem de plante-jar, si no ho hem fet ja, l'ús d'aquesta tecnologia en els models de negoci dels sectors assegurador i financer.

En aquesta tesina, intentaré explicar en què consisteix el Big Data, en quines parts està formada una solució de Big Data, quines fonts de dades té el sector al seu abast i que podem fer amb Big Data per millorar els processos de les companyies del sector assegurador i financer. Així com, els seus reptes i la se-va seguretat.

Summary By this times, the so-called information age, where al the companies are jum-ping and focusing on the Big Data, should we ask us, if we have not already done, the use of this technology in the financial and insurance sectors.

With this thesis, I will try to explain what the Big Data is, the parts of a solution of Big Data, which data sources we have at our range, and what can we do with the Big Data to improve our processes in financial and insurance companies. As well, as its challenges and securities.

6

7

Índice

1. Presentación del problema............................................................................. 9 2. ¿Qué es Big Data? ....................................................................................... 11 2.1 Tipos de datos ................................................................................... 14 2.2 Componentes de una plataforma Big Data ........................................ 15 3. Proveedores de información ........................................................................ 21 3.1 Fuentes de datos ............................................................................... 23 3.2 Protección de daos y Big Data ........................................................... 24 4. Herramientas de las compañías aseguradoras para captar y producir datos.

................................................................................................................. 27 5. Capacidades de negocio para el sector asegurador. ................................... 31 6. Posibles aplicaciones a sectores Financiero y Asegurador ......................... 37 6.1 Aplicaciones basadas en el análisis de los clientes ........................... 39 6.2 Aplicaciones para la eficiencia operacional y reducción de costes .... 40 6.3 Big Data y seguridad ......................................................................... 42 7. Modelo de aplicación de una solución de Big Data para la compañía. ........ 45 7.1 Obstáculos y beneficios de la aplicación de Big Data ....................... 46 7.2 Ejemplo de una aplicación de Big Data ............................................. 47 8. Compañías que ofrecen soluciones de Big Data ......................................... 51 9. Capítulo de conclusiones ............................................................................. 55 10. Bibliografía ................................................................................................. 57

8

9

Big Data en sectores Asegurador y Financiero

1. Presentación del problema

El progreso de las tecnologías de la información provoca que se generen gran cantidad de datos a nivel global, de hecho el volumen de datos generados di-ariamente es tan grande que las bases de datos actuales se están quedando obsoletas, ya que, los datos crecen más rápido que la capacidad de las bases de datos actuales para almacenar esta información. Si las aseguradoras con-vencionales no aprenden a tratar y administrar este tipo de flujo de información dejarán de ser competitivas en los próximos años.

Con el tratamiento de estos datos, las compañías de seguros podrían tener una visión global del cliente, utilizando datos de fuentes internas. Datos que ya po-seen y no están analizados y de fuentes externas, como redes sociales, aplica-ciones móviles y datos de geolocalización entre otros.

El objetivo principal de este tratamiento y cruce de datos es reducir riesgos. Esto lo logramos prediciendo el comportamiento y las necesidades del cliente. Gracias a esta ventaja, las aseguradoras podrían desde aplicar micro-segmentación con alta precisión a detectar posibilidades de propensión a la fuga del cliente, adelantarse a sus necesidades, conociendo que necesita el cliente antes de que este lo sepa; hasta detectar, identificar y evitar el fraude.

En el mercado, empezamos a ver fenómenos que afectan a otros sectores donde se empieza a aprovechar este flujo de datos. Por ejemplo, utilizando Big Data para analizar y cruzar los datos generados por sus usuarios empresas como Amazon que, cruzando datos de compras de sus clientes han logrado algoritmos de recomendación con los que proveen de ofertas a clientes que han comprado un artículo y se anticipan a necesidades posteriores.

No somos conscientes, pero ya se utiliza Big Data para calcular todas las va-riables, ambientales, mecánicas y físicas en una carrera de fórmula 1. En las pasadas olimpiadas de Londres 2012 donde algunos de los participantes ya tenían detrás un equipo de tratamiento de datos para tratar de mejorar sus re-sultados.1

Actualmente las compañías aseguradoras disponen de una gran cantidad de datos de sus clientes. Datos de los que solo se aprovecha una pequeña parte, ya sea para calcular las primas utilizando variables como edad, historial de si-niestralidad, ubicación, etc., como condicionante de suscripción y selección de riesgos, o para realizar ofertas comerciales a distintos niveles de la segmenta-ción que ya se realiza.

La Principal ventaja de la que dispone las aseguradoras, es que ya estamos acostumbrados a tratar con datos. Esto se convierte en un arma de doble filo, ya que no somos conscientes de la cantidad de datos que disponemos y nor-malmente estos datos están desordenados y desaprovechados.

1http://blogthinkbig.com/big-data-deporte/

10

El negocio de una compañía de seguros se basa en analizar datos para evaluar entender y tarificar riesgos. Con las nuevas tecnologías de Big data debemos realizar este análisis de datos a gran escala para aprovechar el alto potencial que tiene de aumentar y enriquecer nuestra relación con el cliente y mejorar nuestro asesoramiento del riesgo.

En esta tesis, vamos explicar en qué consiste Big data, como lo podemos apli-car a las compañías de seguros, de donde podemos conseguir datos de los clientes, tanto internos como externos. Veremos los tipos de procesamiento de datos que nos podemos encontrar y que aplicaciones podemos utilizar para una aseguradora, ya sean aplicaciones relacionales, para gestionar la cartera de clientes, y de nuevos clientes, o herramientas internas para focalizar y redu-cir el coste de la siniestralidad o reclamaciones.

Asimismo, cabe destacar e insistir en la importancia del Big Data para las ase-guradoras ya que actualmente la tecnología de la información puede permitir a empresas como Google entrar en el mundo asegurador, empresas que tienen una cantidad de datos descomunal y que ya están tratándolos pudieran volver-se muy competitivas, tan competitivas que relegarían a las aseguradoras tradi-cionales a los productos de riesgo más complejos. No obstante, aún estamos a tiempo de no perder el mercado de los denominados productos “commodities” (productos masa que tienen un nivel muy bajo de especialización o diferencia-ción. Ej. Seguro de Auto y hogar) en el que podrían entrar estas empresas con más facilidad.

11

2. ¿Qué es Big Data? La primera vez que se empleó el término Big Data fue en 1997 en un artículo de dos investigadores de la NASA David Ellsworth y Michael Cox. Que indica-ban que el ritmo de crecimiento de los datos empezaba a ser un problema para los sistemas informáticos de los que se disponía. 2

Posteriormente, en 2001 se publicó un artículo titulado 3D Data Management: Controlling Data Volume, Velocity and Variety3. Este artículo definía lo que a día de hoy se conoce como las tres V que definen Big Data, volumen, velocidad y variedad.

Asimismo, Big Data no deja de ser un anglicismo que indica Datos Masivos y que se refiere a la utilización de sistemas informáticos para la acumulación y tratamiento de grandes cantidades de datos y de cómo se revisan y manipulan para identificar distintos tipos de patrones.

No obstante y si pretendemos entender que significa Big Data, primero debe-mos hacernos a la idea de que, como y cuantos datos generamos. Ya que ac-tualmente todo el mundo realiza cualquier cosa desde cualquier lugar, algo que es posible gracias a la tecnología. Esta gran conectividad es una fuente de can-tidades ingentes de datos.

Para hacernos a la idea de la ingente cantidad de datos que se genera en la actualidad, en la siguiente tabla apreciamos la equivalencia aproximada entre bytes y objetos reales.

Tabla 1: Equivalencias entre bytes y objetos reales

Fuente: es.wikipedia.org

2 http://www.nas.nasa.gov/assets/pdf/techreports/1997/nas-97-010.pdf 3 http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf

12

Ahora que ya podemos vislumbrar las equivalencias entre bytes y objetos re-ales, vamos con la cantidad de información que se genera y se generará en el universo digital.

Asimismo y cuando hablamos de Big Data estamos hablando de grandes can-tidades de datos. Estos serían:

Petabyte (PB) 1015 bytes

Exabyte (EB) 1018 bytes

Zetabyte (ZB) 1021 bytes

Yottabyte (YB) 1024 bytes

El primer estudio que intenta calcular el crecimiento de la información se dio a conocer en 2007 por investigadores del IDC (International Data Corporation). Asimismo, el articulo “The Expanding Digital Universe: A Forecast of Worldwide Information Growth through 2010”4, calcula y pronostica la cantidad de datos digitales que se crean cada año. No obstante, consultando los informes que se produjeron en años posteriores, la cantidad de datos que se generaron superó los pronósticos que se realizaron.

La expansión del mundo digital es un hecho, en la siguiente imagen podemos ver las predicciones realizadas por el IDC en un estudio publicado en diciembre de 2012.

Figura 1 Crecimiento de datos

Fuente:emc.com

4 http://www.winshuttle.es/big-data-historia-cronologica/

13

Es posible afirmar que la cantidad de datos generados crece exponencialmen-te, hay estimaciones de que se generan aproximadamente 2,5 quintillones de bytes diarios5. Estos datos los generan desde sensores usados para captar información del clima, actividades de social media (comunicaciones, fotos, vi-deos), datos de transacciones y señales de GPS de móviles entre otros.

Con la siguiente imagen se pretende describir la cantidad de datos que se ge-neraban en 2014 en un minuto en la red por usuarios de social media. Esta imagen es el resultado de un estudio que realiza la empresa Domo.

Figura 2: Datos generados por minuto

Fuente: domo.com

5 http://www-01.ibm.com/software/data/bigdata/what-is-big-data.html

14

Hay que tener en cuenta que gracias a la revolución digital está cambiando la manera en la que la gente genera y consume información a tiempo real.

Se estima que en 2020 habrá más de 50 billones de dispositivos conectados a la red y se espera que la población mundial sea de 7.6 billones, lo que se tra-duce en que tendremos una media de 6.58 dispositivos conectados a la red por persona.6

Tal cantidad de datos que se genera y se generará debe de ser analizada, para ello todos los sectores a nivel global, incluyendo el sector asegurador, deben dotarse con suficiente infraestructura tecnológica para poder almacenar, tratar y analizar de una manera rápida, eficiente y a tiempo real la gran cantidad de datos que se produce diariamente.

Llegados a este punto en el que ya podemos definir que es realmente Big Data y nos podemos hacer una idea de la cantidad de datos que se generan en la red, cabe explicar la diferencia entre Big Data y los tratamientos actuariales de las bases de datos a las que las compañías aseguradoras están acostumbra-das. Esta recae en la cantidad, la velocidad y el tipo de datos que podemos analizar. Para realizar cálculos con muchas variables un actuario utiliza bases de datos relacionales y datos estructurados para poder predecir un riesgo o una probabilidad, en cambio utilizando Big Data es posible cotejar desde bases de datos relaciones a no relacionales, desde datos convencionales (estructura-dos) a no convencionales (no estructurados) y una cantidad de datos hasta ahora inimaginable en un tiempo muy reducido.

2.1 Tipos de datos

Existen tres grandes bloques o tipos de datos donde podemos realizar la clasi-ficación:

Datos no estructurados: Datos en el formato original en el que fueron recopi-lados, no se pueden almacenar en tablas ya que no es posible su simplificación a tipos básicos de datos. Ejemplos de datos no estructurados serían los videos y documentos multimedia, los PDF, e-mails o imágenes.

Datos estructurados: Datos con longitud y formato definidos, como fechas, números o cadenas de caracteres. Almacenamos este tipo de datos en tablas. Como ejemplos tenemos las hojas de cálculo y datos transaccionales.

Datos semiestructurados: Datos combinados que no se limitan a campos de-terminados, pero tienen marcadores para diferenciarse y clasificarse. Se trata de una información irregular y son datos que poseen otros datos que se descri-ben entre ellos. Un ejemplo de este tipo de datos son los lenguajes de progra-mación de páginas web o de bases de datos como el HTML, el XML o el JSON.

6 https://www.cisco.com/web/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf

15

2.2 Componentes de una plataforma Big Data

Hoy en día disponemos de diferente software para crear una plataforma Big Data. Asimismo, una plataforma de Big Data se define por tener tres fases prin-cipales:

Transformación de datos

Primero necesitamos unificar todos los datos de los que disponemos en un único formato, y almacenarlo en una base de datos, para ello se utilizan herramientas denominadas ETL (extract transform and load)

Este tipo de herramientas se utilizan para mover y recopilar datos desde distintas fuentes, transformarlos, darles formato, depurarlos y cargarlos en otra base de datos.

En la siguiente figura se describe visualmente un proceso ETL.

Figura 3: Proceso ETL

Fuente: dataprix.com

16

Una de las empresas más importantes en el sector de consultoría e investi-gación de las tecnologías de información de EEUU Gartner INC. La cual proporciona consejos y datos sobre las tecnologías de la información a nivel mundial.

Gartner también ofrece comparativas de los productos más importantes del mercado (figura 4)

Figura 4

Fuente: Gartner

Almacenamiento de datos

Para realizar el almacenamiento de este tipo de datos estructurados, no estructurados o semiestructurados, no son posibles las bases de datos convencionales o bases de datos relacionales que usaban un lenguaje de acceso a esta base de datos llamado SQL (Structured Query Lan-guage).

La característica principal de estas bases de datos SQL es que usan el manejo del algebra y el cálculo relacional para realizar consultas con el fin de recuperar, información de bases de datos y hacer cambios en ellas.

17

Las bases de datos que debemos usar para este tipo de datos son las bases de datos NoSQL (Not Only SQL). Estas bases de datos son sis-temas de almacenamiento de información que no cumplen con el es-quema entidad/relación de las bases de datos relacionales ni utilizan una estructura de almacenamiento en formas de tabla, para almacenar los datos utilizan otro tipo de acciones por las cuales clasificamos estas ba-ses de datos NoSQL.

Existen cuatro tipos de bases NoSQL de las cuales solo indicaremos las características principales

Almacenamiento clave-valor: Se identifica cada elemento con una cla-ve única lo que permite la recuperación de información de forma muy rápida. Los datos son independientes y no son interpretados por el sis-tema. Son muy útiles para operaciones simples basadas en claves.

Almacenamiento documental: Se almacena la información como un documento al que se le asigna una clave única. Es parecida a las bases de datos clave-valor con la diferencia de que además de poder realizar el mismo tipo de búsqueda que en la anterior, en este almacenamiento los datos pueden ser interpretados por el sistema ya que usaremos da-tos semiestructurados y se realizan consultas más avanzadas sobre el contenido del documento.

Almacenamiento en grafo: Se basa en la teoría de grafos7, la informa-ción se representa como nodos y sus relaciones con las aristas de este, para entender esta base de datos pondremos el ejemplo de Facebook, cada nodo sería un usuario el que puede estar relacionado con publica-ciones o con otros usuarios por aristas.

Almacenamiento orientado a objetos o columnas: Almacena colum-nas en familias y guarda la información de manera cronológica de la misma manera que son representados los lenguajes de programación orientados a objetos como JAVA o Visual Basic.

Análisis de datos

Una vez ya almacenados los datos en diferentes tipos de bases de da-tos, serán necesarias diferentes técnicas de análisis de datos, a conti-nuación hablamos de cuatro tipos de análisis de datos:

Por Asociación: Con ello encontramos relaciones entre las diferentes variables utilizando la causalidad.

El objetivo es encontrar comportamientos predictivos de otras variables. Para ello, utilizando la asociación se entrega información respecto a la frecuencia con la que se relacionan dos o más atributos de la base de datos.

7 Rama de las matemáticas, tratado que usa diferentes conceptos de diferentes áreas como combinatoria, algebra probabilidad, geometría de polígonos, aritmética y topología.

18

Por Minería de datos: Utiliza análisis matemático para deducir patrones y tendencias que existe relacionando los datos entre sí en grandes ba-ses de datos. Integra métodos de estadística aprendizaje automático e inteligencia artificial para lograr los algoritmos predictivos.

Por Agrupación: Se realiza utilizando el método de clústeres para seg-mentar grandes grupos de dato en grupos más pequeños y así poder es-tablecer y descubrir relaciones entre estos subgrupos de datos para po-der he intentar predecir el comportamiento de estos.

Por análisis de texto: Muchos de los datos generados por las personas son textos, ya sea por publicaciones en foros, redes sociales, búsquedas web o e-mails. Este tipo de análisis se utiliza para predecir palabras o extraer información de estos contenidos a gran escala.

Una vez descritos los procesos para extraer almacenar y analizar los datos, el próximo paso es la visualización de los resultados, para ello hay multitudes de interfaces y plataformas. A continuación listamos algunas de ellas.

Tableau Software

Una de las herramientas más utilizadas en la visualización de datos ya que, su software ofrece una de las maneras más rápidas y sencillas que existen para realizar visualizaciones de datos e información.

Figura 5: software tableau

Fuente: rsrit.com/blog/2015/06/21/tableau-software-announces-google-cloud-sql-connector/

19

Qlick View

Con esta herramienta de Bussines Inteligence podemos recopilar datos proce-dentes de múltiples orígenes, manipularlos y presentarlos de una manera muy visual.

Figura 6: software Qclik View

Fuente: datawarehouse4u.info/QlikView.html

Como ya hemos indicado, hay multitud de herramientas para la visualización, otras de ellas, sería Gephi, recomendada para la visualización de nodos y gra-fos de grandes dimensiones; Mani Eyes creada y diseñada por IBM o Google Fusion Table como deducimos del nombre está desarrollada por google; entre otras.

20

21

3. Proveedores de información

Llegados a este punto en que hemos definido las principales herramientas de tratamiento de datos utilizando Big Data y como se realizan. Debemos analizar de donde provienen estos datos.

Estos datos se fabrican en todo momento tanto por empresas como particula-res, en la primera parte de la tesis con la definición de Big data realizábamos un apunte a la cantidad de datos generada, pero no hemos descrito de donde provienen mejor dicho, donde podemos localizar estos datos.

Hoy en día los datos están por todas partes, con la siguiente imagen podemos establecer el origen geográfico de estos.

Figura 7: datos en el mundo digital

U.S.32%

Western Europe

19%

China13%

India4%

rest of the world32%

Current breakdown of the Digital Universe

Fuente: HP

Podríamos realizar una primera gran división de los datos en lo que se refiere a quien los genera. Generados directa o indirectamente por las personas, o por las maquinas. Desde datos de sensores que miden y capturan magnitudes físi-cas como temperatura, luz, distancia, aceleración desplazamiento, fuerza o presión a sensores estructurales que miden la integridad de edificios o puentes.

Clasificaremos los datos en 5 grandes grupos que mostramos en la siguiente imagen.

22

Figura 8 Tipos de datos por origen

Fuente: www.dataversity.net/

Web y social media: son datos generados por personas en la web y se com-pone de toda actividad que generan los usuarios de la red, como tweets, con-tenido web, imágenes y videos subidos a la red entre otros.

Generados por las personas: como el propio nombre indica, se generan por personas y se componen de correos electrónicos, herramientas de CRM, gra-baciones de voz de call centers, documentos en papel, faxes y cuestionarios de salud electrónicos son algunos de los ejemplos.

Datos transaccionales: también son generados por las personas, engloban facturaciones de telefonía, llamadas, información bancaria o transacciones.

Machine to machine: son datos generados por máquinas, se definen en toda tecnología que comparte datos entre dispositivos, como ejemplos nos topamos con todo tipo de sensores de luz, altura, presión; y sensores más complejos como el GPS o sensores estructurales de control de estrés en edificios capaces de analizar la integridad estructuran o sensores en la ropa para controlar nues-tros signos vitales.

Biométricos: Datos generados por sensores biométricos para seguridad o ser-vicios de inteligencia, como el reconocimiento facial, escáneres de huellas digi-tales o de retina.

23

3.1 Fuentes de datos Analizando de donde provienen los datos, nos tenemos que preguntar qué tipo de datos queremos analizar para conseguir que objetivo.

Asimismo, cada organización puede clasificar sus fuentes de datos en dos grandes grupos dependiendo de cómo las hemos obtenido.

Fuentes Primarias: Es un tipo de fuente que creamos o hemos creado en algún momento para resolver un problema o para realizar un análisis previo, son fuentes propias creadas por nuestra organización.

Fuentes Secundarias: Tipo de fuente que ya ha sido creada por otra persona o institución como investigaciones previas, libros, informes estatales o estudios ya publicados entre otras.

Dentro de las fuentes secundarias podemos distinguir entre otros dos grupos dependiendo de su accesibilidad para automatizar procesos de capturas de información.

Fuentes de información abiertas: Se consideran fuentes de información abiertas aquellas que son de acceso público y no requieren identificación.

Este tipo de fuentes se conocen en el sector de la inteligencia competitiva co-mo OSINT “Open Source Intelligence”

Fuentes de información cerradas: Como podemos deducir por la definición anterior, esta fuente de información requerirá un registro y autentificación pre-via.

Este tipo de fuentes pueden ser gratuitas o de pago pero son de mayor utilidad ya que suelen constituir bases de datos especializadas. Un ejemplo puede ser la asociación, sobradamente conocida en el sector asegurador, ICEA que reali-za y publica todas las estadísticas sectoriales, pero requiere un usuario para acceder a esta información.

Empezando a hablar del mundo asegurador, hay que indicar que toda asegu-radora tiene a su alcance tanto la gestión de datos internos como externos. Asimismo, intentaremos analizar diferentes maneras que tenemos a nuestro alcance para recolectar datos.

Datos creados

Es una fuente primaria de datos que se consigue a través de la realiza-ción de encuestas, estudios de mercado, formularios de recogida de da-tos, mediante la suscripción o alta nueva de clientes.

Datos transaccionales

Los hemos definido con anterioridad pero son datos de los que dispo-nemos cada vez que el cliente hace una compra con nuestra entidad, cada vez que fracciona un recibo, o cada vez que lo devuelve. Este tipo

24

de datos coge más importancia cuan más grande es la aseguradora, o el grupo, ya sea para banca seguros (utilizando cláusulas de cesión de da-tos en las que entraremos as adelante) o para que las empresas de un mismo grupo compartan información.

Datos compilados

Se trata de datos de terceras empresas que se encargan de recopilarlos y venderlos a terceros.

Un ejemplo de esto podrían ser la venta o comercialización de datos de las empresas de telefonía. Ventas de datos e ubicación de grandes ma-sas de usuarios sin entrar en concreciones, para realizar estudios de-mográficos o de comportamiento a gran escala.

Datos capturados

Datos recogidos de forma pasiva, como los datos que se recogen a través de dispositivos que pueden medir el comportamiento como un GPS integrado en un automóvil o datos de pulsímetros entre otros.

Datos generados por usuarios

Es una de las fuentes de datos más grande a la que podemos tener ac-ceso, ya hemos definido que son con anterioridad. Asimismo es una fuente de datos muy importante para toda organización. Ya que el usua-rio o empresa los genera de forma consciente y afectan a nuestra orga-nización de forma directa.

Independientemente de nuestras capacidades para crear y comprar datos, también existen portales gratuitos de donde podemos extraerlos. Ejemplos de ellos son:

Portal de datos de la Unión Europea8: Este portal aglutina muchas de las fuentes de datos gratuitas realizadas y recopiladas por instituciones de la UE.

Portal de datos de USA9: En este portal, como en el anterior, aglutina muchas de las fuentes de datos gratuitas realizadas y recopiladas por instituciones Americanas.

Otros portales de fuentes de datos gratuitos son: Quandl que ofrece recopila-ción de datos financieros, económicos y sociales a nivel mundial.

3.2 Protección de datos y Big Data La agencia española de protección de datos (AEPD) es la agencia estatal e independiente que se encarga de velar por el cumplimiento de la normativa de protección de datos. Esta normativa, encabezada por la Ley Orgánica 15/1999,

8 http://open-data.europa.eu/es/data/ 9 http://www.data.gov/

25

de 13 de diciembre de protección de datos de Carácter Personal indica en su artículo primero:

“La presente Ley Orgánica tiene por objeto garantizar y proteger, en lo que concierne al tratamiento de los datos personales, las libertades públicas y los derechos fundamentales de las personas físicas, y especialmente de su honor e intimidad personal y familiar”

Con motivo del pasado día Europeo de protección de datos (28 de enero de 2015) La AEPD organizó una jornada para analizar las posibilidades y los retos del Big Data y el internet de las cosas. En esta jornada se trataron riesgos y posibilidades del Big Data en referencia a la actual ley de protección de datos. No obstante, a día de hoy la ley orgánica de protección de datos personales no está actualizada, y en toda ella no hay referencia alguna a las tecnologías de Big Data.

Para encontrar nombramiento a Big Data tenemos que dirigirnos a la normativa Europea. En enero de 2012 la comisión Europea propuso una reforma en la legislación sobre protección de datos en la UE que debía ser aprobada en el presente año.10 El 12 de marzo del 2014, el Parlamento europeo dio luz verde al proyecto de reforma del Reglamento Europeo de Protección de Datos.11

Uno de los objetivos de este nuevo reglamento será adaptar la protección de datos a las nuevas demandas del mundo digital ya que el presente reglamento se realizó cuando menos del 1% de los europeos utilizaba internet.

Podemos deducir, que actualmente no está normalizado el tratamiento de da-tos Big Data, no obstante ya se está trabajando en ello y es necesario que cualquier tratamiento de datos que incluya algún tipo de datos personales cons-te con las asistencias de departamentos legales y de privacidad.

10 http://ec.europa.eu/justice/data-protection/index_es.htm 11 http://letslaw.es/blog/el-parlamento-europeo-aprueba-la-reforma-del-reglamento-sobre-proteccion-de-datos/

26

27

4. Herramientas de las compañías aseguradoras para captar y producir datos Una vez definidos los procesos de Big Data y como son de necesarios las ba-ses y fuentes de datos puede que nos hagamos la pregunta. ¿De qué herra-mientas dispone una compañía de seguros para producir datos?

La respuesta a esta pregunta es simple, el principal volumen de datos del que dispone una aseguradora proviene de sus asegurados y de sus sistemas de información.

Datos provenientes de asegurados:

Son datos con los que en la mayoría de casos ya estamos acostumbrados a trabajar, a continuación listaremos los datos que generan nuestros asegurados.

Datos personales: Facilitados por los asegurados para realizar contrataciones y/o simulaciones. Estos datos engloban DNI, dirección, profesión, números de cuenta, teléfonos, y correos electrónicos.

Datos de suscripción y de tarificación de riesgo: Una gran fuente de informa-ción que pueden incluir además de los datos personales, estados de salud, fa-miliares, datos de sociedades, metros cuadrados de los riesgos, posesiones, medidas de protección, posesiones, aficiones, ingresos, entre una gran varie-dad.

Datos transaccionales: Datos de cobro de primas, devoluciones de recibos, pagos de prestaciones, aportaciones a planes de pensiones o seguros de aho-rro entre otros.

Datos de CRM: Este tipo de datos son también una gran fuente de información y son quizá los menos tratados por las aseguradoras, en ellos englobamos to-das las acciones que realiza el asegurado cuando contacta con su aseguradora y podemos encontrar desde reclamaciones, e-mails, cartas, faxes o cualquier tipo de llamada que este realiza al cualquier call-center, anotaciones de los operadores que responden las consultas o la propia grabación de las llamadas entre otros.

Datos provenientes de los sistemas de información:

Para definir los datos que pueden generar los sistemas de información, descri-biremos estos sistemas.

Es conocido que una aseguradora precisa de datos para ser administrada, ya que para la gestión de siniestros y contratos son necesarios por varias razones.

Por necesidades de gestión.

Para la construcción de demostraciones de solvencia y financieras para las autoridades de control.

28

Para análisis de controles financieros o de información de gestión.

Para gestión de riesgos.

Para provisionamientos.

Para obtención de estadísticas sobre resultados.

Para tarificación.

Para seguimientos de políticas de márquetin.

No podemos hablar de los sistemas de información de una aseguradora, sin entrar en la estructura del sistema informático que estos pueden tener.

Un ejemplo sería el siguiente:

Figura 9: elementos del sistema informático de las entidades aseguradoras

Fuente: apuntes Master DEAF

Utilizaremos esta figura modular para explicar los datos que posee y podemos utilizar de los sistemas de información.

En el módulo de personas podemos localizar todos los datos del que dispone la aseguradora de las personas físicas y jurídicas que se relacionan con la compañía desde clientes, perjudicados y proveedores a mediadores, emplea-dos y agentes.

En el módulo de productos encontramos las garantías, coberturas, clausulas y factores de riesgo entre otros y es a raíz de donde se diseñan los productos que se comercializan.

El módulo de Contratos recoge la entrada de datos, la emisión de pólizas, su-plementes y cancelaciones.

29

El módulo de siniestros recoge todos los datos siniéstrales, informaciones de intervención de profesionales, garantías afectadas, causas y siniestros rehusa-dos/aceptados.

En el módulo de reaseguro se ubican los datos de los riesgos y siniestros ce-didos a las reaseguradoras.

En el módulo de cobros y pagos encontraremos todos los datos transaccio-nales de cobros y pagos, entre ellos pagos de siniestros, pagos a profesiona-les, costes y recobros.

Una vez analizadas las fuentes de información de las que disponemos y las que tenemos al alcance, nos podemos encontrar que no tengamos base sufi-ciente para realizar análisis competitivos.

Asimismo, también podemos recurrir a datos de mercado. Tanto en España como en otros países, existen organizaciones que recogen datos de mercado y de sus miembros como UNESPA12 o ICEA13, aunque los objetivos de ambas asociaciones son diferentes, ambas realizan estudios y estadísticas sobre el mundo del seguro e investigan la actividad aseguradora. Son una fuente enor-me de datos. Inese14 es otra de las entidades que nos pueden ser de una gran fuente de información, encontrando a su vez diferencias con las nombradas anteriormente, esta también elabora y comercializa diferentes estudios de re-sultados, estrategias y comparativas de productos sobre el sector asegurador. No debemos olvidar nombrar la DGSFP15 que aparte de ser el organismo del estado Español encargado de supervisar y controlar el adecuado funcionamien-to del sector y dar la protección adecuada a los clientes de este. También pue-de ser una fuente de información ya que también publica y realiza estudios so-bre el sector.

Otra fuente de información de la cual puede disponer una aseguradora, si esta pertenece a un grupo, son los datos que este pueda cederle. Este cese de da-tos se regula en la Ley Orgánica 15/1999, de 13 de diciembre de protección de datos de Carácter Personal, concretamente en el punto 11.1 se establece “Los datos de carácter personal objeto del tratamiento sólo podrán ser comunicados a un tercero para el cumplimiento de fines directamente relacionados con las funciones legítimas del cedente y del cesionario con el previo consentimiento del interesado”. En este caso, las aseguradoras que forman parte de un grupo vinculado al sector bancario pueden llegar a disponer de una fuente de datos transaccionales enorme.

12 Unión Española de Entidades Aseguradoras y Reaseguradoras(unespa.es) 13 Investigación Cooperativa entre Entidades Aseguradoras y Fondos de Pensiones (icea.es) 14 Inese.es 15 Dirección General de Seguros y Fondos de Pensiones (dgsfp.mineco.es)

30

31

5. Capacidades de negocio para el sector asegu-rador Para analizar las capacidades de negocio presentes y futuras, debemos plan-tarnos a que conduce el futuro del mundo asegurador y donde podemos o de-bemos dirigirlo.

Hemos dejado claro que estamos en la era de la información plantearnos plan-tear seriamente que futuro nos espera. El futuro es turbulento ya que podemos apreciar varios hechos que ya están sucediendo y a los que debemos adaptar-nos. A continuación analizaremos el marco con el que nos encontramos.

Crisis Financiera

La incerteza política y financiera está afectando al rendimiento de las inver-siones y a la confianza de los clientes. Esto se traduce en: La disminución de la de entrada de las ganancias de los rendimientos financieros por la desaparición de productos con altas tasas de interés. La desconfianza y menor poder adquisitivo de los clientes da lugar a una competencia más in-tensa, lo que hace más difícil el crecimiento y da una reduce los márgenes de ganancias.

Cambio climático

La frecuencia y la severidad de los fenómenos atmosféricos están incre-mentado en los últimos años y con el cambio climático, hay predicciones de que incremente. Adicionalmente a los fenómenos meteorológicos se tiene que tener en cuenta la degradación realizada por el hombre hacia el medio. Esto está provocando un aumento de siniestralidad en los seguros de no-vida y un resentimiento de la salud pública.

Figura 10

Fuente: Munich RE

32

Demografía global.

El aumento del envejecimiento poblacional a medio y largo plazo en los mercados más desarrollados (ver figura 11). Esto provocará la entrada de menos clientes jóvenes al mercado, asimismo, el aumento de la esperanza de vida exigirá nuevas reestructuraciones en productos de salud, rentas y dependencias.

Figura 11: pirámide poblacional española 2014-2064

-

Fuente: www.ine.es/

Era digital

El crecimiento de internet y de la red social está cambiando a los clientes, estos están más informados y siempre conectados a la red, con multitud de información a su alcance. El sector debe adaptarse a estos nuevos clientes y utilizar los recursos de información que tiene a su alcance para mostrar di-ferenciación y fidelizarlos. El uso de canales on-line está aumentando con-siderablemente en los últimos años y las predicciones son al alza para el fu-turo, un ejemplo de esto lo podemos ver en la siguiente figura, donde se analiza el uso de canales en ventas de seguro de auto en el Reino Unido.

33

Figura 12: Venta de seguros ramo auto en Reino Unido 2012

Fuente: Apuntes master Deaf (Ordnance Survey)

Regulación del sector

La próxima entrada en vigor de la nueva ley de Solvencia II16 para el sector asegurador europeo y sus aumentos en requerimientos de capital, provo-carán que el sector tenga menos capacidad de maniobra, lo que puede re-ducir las ganancias si no se está preparado.

Competitividad

En un futuro no solo deberemos enfrentarnos a competidores dentro del sector, con la cantidad de datos de los que disponen grandes empresas como Google, Amazon, Facebook o Apple. Así como sus grandes posibili-dades financieras para aumentar sus líneas de negocio y sus grandes imá-genes de marca, que han conseguido que sus clientes se conviertan en fans. No les pudiera impedir en un futuro abordar el sector asegurador. Ca-be destacar que Google ya ha lanzado una herramienta para comparar los seguros de auto en Estados Unidos, esta herramienta se llama Google Compare17, puede que nos encontremos ante el aviso de las grandes em-presas tecnológicas a entrar en el sector.

Todos estos cambios requieren de una transformación y adaptación del sector, lo que marcará la diferencia competitiva, será la velocidad y agilidad para el cambio, esto nos lo puede proporcionar la tecnología, tecnología que será de necesaria implementación para alcanzar al modelo de cliente actual y para afrontar las debilidades y amenazas que hemos descrito.

Es posible encontrar una solución a todo ello utilizando Big Data y la tecnología para realizarlo. A continuación intentaremos analizar cómo.

16 De aplicación a partir de enero de 2016 17 www.google.com/compare/autoinsurance/form?p=home

34

Actualmente el cliente utiliza el teléfono móvil o Smartphone para todo, se utili-za para comprar y estar conectado a la red en todo momento, para intercam-biar opiniones y buscar información a través de internet y la red social.

Asimismo, las aseguradoras tienen un volumen elevadísimo de datos, en dife-rentes formatos, con diferente estructura y en muchos casos inexplorados. Uti-lizando Big Data podemos cruzar todos los datos de los que disponemos y ana-lizar al cliente y lo que desea a un nivel mucho más detallado del que lo reali-zamos.

Las soluciones que podemos aplicar con la utilización de tecnología y el análi-sis de Big Data son.

Ingresos:

Mejorar las ventas tanto en canales tradicionales como en canales digitales.

Es posible mejorar las ventas utilizando Big Data y esto se realiza, analizando y monitorizando la web Social para adelantarse a tendencias o mejor la imagen corporativa; utilizando big data para enlazar y analizar la multi-canalidad de los clientes y poder conseguir una imagen a 360º de ellos; aumentar la base de productos utilizando la segmentación nos puede proporcionar más facilidad para realizar trajes a medida (a lo que en materia de seguros se traduce), para con nuevos clientes o clientes ya en cartera. Es posible aumentar la venta cru-zada de productos por el conocimiento más amplio del cliente al que tendremos acceso, pudiendo así lanzar ofertas personalizas utilizando la multi-canalidad a tiempo real y a una gran velocidad. Seremos capaces de predecir la intenciona-lidad de compra del cliente utilizando patrones de inteligencia artificial y algo-ritmos basados en la experiencia de datos de compra de otros clientes, para adelantar a sus necesidades.

Utilizando y potenciando el internet en las cosas se abren un sinfín de posibili-dades de negocio que pueden englobar desde lo que ya hemos comentado de ofrecer productos de seguro al cliente adelantándonos a sus necesidades a lanzar campañas de marketing con tarificaciones propias para cada cliente, con esta tecnología se hace posible calcular la propensión a compra de un producto por un cliente en concreto.

Margen de beneficios:

Mejorar y optimizar la detección de fraude utilizando análisis de voz a tiempo real cuando este declara un siniestro a través del call center y analizando a tiempo real los contratos en riesgo utilizando análisis predictivo, predecir la propensión al fraude utilizando variables de datos sociales y económicos para un mayor seguimiento de clientes potencialmente fraudulentos; aumentar la retención de los clientes gracias al alto conocimiento y visión del cliente, utili-zando y analizando ratios de propensión a la fuga de determinados clientes con las pistas que estos nos pueden dar al realizar impagos, informar del posible descontento para con la compañía en tanto en redes sociales como en comuni-caciones hacia esta; realizar productos más personalizados aumentado la segmentación y ajustando la tarificación utilizando análisis de riesgos más ex-haustivos comparando y conociendo un volumen de variables mucho mayor,

35

como los hábitos de conducción de nuestros clientes que pueden englobar desde por donde realizan sus desplazamientos a el conocimiento de las varia-bles de velocidad o las horas a las que se realizan estos desplazamientos.

Asimismo, y volviéndonos a referir al internet en las cosas y utilizando el análi-sis y cruce de datos a tiempo real el fraude, la retención y la fidelización de los clientes puede ser factiblemente analizada.

Costes:

Aumentar y optimizar la predicción, el análisis del riesgo, facilitar la selección y reducir la exposición al riesgo utilizando los datos para la segmentación de este y la tarificación adecuada podemos predecir y lanzar recomendaciones en tiempo real informando al cliente de cuando podamos detectar una posible eventualidad y así minimizar su exposición al riesgo lo que se traduciría en un decremento de los costes siniéstrales. Facilitar la autogestión del cliente a través de diferentes plataformas de introducción de datos y reducir así el coste de digitalización de los procesos.

Asimismo, y para la reducción de costes también podemos facilitar y proveer a los clientes con herramientas de prevención o detección de riesgo y premiarlos con reducciones en primas.

Conocimiento del cliente Como ya hemos indicado, la mayoría de las mejoras a las que podemos llegar utilizando Big Data, son derivadas del conocimiento del cliente, tanto de los clientes que ya tenemos en cartera como de los nuevos clientes.

Para ello también utilizamos soluciones de Big Data, para recoger almacenar y analizar los datos que producen los clientes podemos utilizar:

Estudios de mercado que ayudan a conocer las intenciones de los con-sumidores utilizando la búsqueda de patrones y correlaciones para de-tectar propensiones y variaciones en ellos para detectar tendencias.

Análisis de histórico de datos del cliente con ello mejoraremos el cono-cimiento de los clientes que ya tenemos en cartera.

Utilización de técnicas predictivas para descubrir la motivación y el de-seo del cliente que puede establecerse monitorizando la actividad online del cliente.

Utilizando Big Data es posible alcanzar una visión de 360º del cliente integran-do grandes cantidades de datos. Para ello es necesario acceder a la informa-ción sobre el cliente a tres niveles.

Nivel Básico

En este recogemos y estructuramos datos estáticos y dinámicos de los clientes. Datos contables (aportan información de cuentas y contratos),

36

transaccionales (pagos del cliente o realizados a este), de interacción (co-municaciones entre cliente y compañía) y de atribución (vínculos entre campañas y promociones para con el cliente).

Nivel de Enriquecimiento

Con este, se establece un nivel superior y agregamos fuentes externas que validan los datos demográficos de crédito o relativos a direcciones y domici-lios. Este nivel permite la realización de segmentación de los clientes por ni-vel de ingresos, comportamiento siniestral o riesgos de crédito para evaluar la rentabilidad. Además de esto incorporamos datos de terceros para au-mentar la fiabilidad en cada campo.

Nivel de difusión

En este nivel describimos diferentes métodos de acceso a los dos niveles anteriores y permite realizar los procesos de analítica avanzada y previsión aplicando minería de datos para lograr comportamientos predictivos.

Con la aplicación de Big data podemos obtener una visión completa del cliente, lo que se conoce como una visión a 360º de este. Gracias a ello obtenemos un conocimiento completo del cliente a niveles que no habíamos podido lograr con anterioridad y debemos cambiar la orientación estratégica de las compañías, que tienden a focalizar sus esfuerzos comerciales hacia el producto y sus ser-vicios. Para centrarnos en el cliente como foco y centro de las estrategias de marketing.

37

6. Posibles aplicaciones a sectores Financiero y Asegurador

Según un estudio publicado por Ernst & Young18, FrontQuery19 y Teradata20, alrededor del 25% de las empresas del sector financiero y asegurador españo-las están ya aplicando soluciones de Big Data. En este estudio se encuesta a más de un centenar de altos directivos de los sectores comercial, marketing tecnología y operaciones de empresas bancarias y aseguradoras. Este estudio también presenta varias preguntas relacionadas con las oportunidades de apli-caciones de big data. A continuación realizaremos un análisis de las preguntas más relevantes de este.

A la primera pregunta que se plantea: “¿Cuáles serían los tres aspectos que en su opinión presentan mayores oportunidades estratégicas, basadas en inteligencia de clientes y soluciones Big Data?”

Figura 13: encuesta entidades bancarias y aseguradoras

Fuente: Análisis EY, FrontQuery y Teradata

Transcribiendo la figura 13 apreciamos que las principales oportunidades que contempla el sector utilizando soluciones de Big Data son:

La segmentación- ciclo de vida y targeting avanzado. Con lo que se re-fiere a la segmentación de los clientes a niveles muy elevados utilizando el cruce de la ingente cantidad de datos que podemos recopilar del clien-te y a la propensión a compra de este para con las campañas de marke-ting utilizando algoritmos predictivos del comportamiento del cliente.

La Fidelización de los clientes mediante análisis avanzados. Refiriéndo-se al análisis en tiempo de real de las redes sociales y de las comunica-

18 Una de las mayores firmas de servicios profesionales del mundo (www.ey.com) 19 Asesoria de marqueting especializada en sector financiero y asegurador (www.frontquery.es) 20 Lider mundial en plataformas de análisis de datos (www.terada.com)

38

ciones que realiza el cliente con la compañía para conocer al cliente y adelantarse a sus necesidades.

Gestión de multicanalidad. Refiriéndose a la capacidad para llegar al cliente a través de todos los canales que este utiliza ya sea para lanzar ofertas a tiempo real o para atender y analizar sus peticiones o necesi-dades.

Pricing Dinámico. Refiriéndose a la capacidad para ajustarse a la tarifi-cación de los riesgo y del mercado utilizando soluciones de big data para calcular el riesgo con más precisión y poder ajustar el precio, o sondear en el mercado el precio que utiliza la competencia para tarificar un mis-mo riesgo o producto.

Otra pregunta que plantea esta encuesta: “De los distintos aspectos dife-renciales sobre los proyectos Big Data ¿Cuáles considera Usted más prometedores y diferenciales en su negocio?”

Figura 14: encuesta entidades bancarias y aseguradoras 2

Fuente: Análisis EY, FrontQuery y Teradata

Podemos deducir de esta figura 14 los aspectos más diferenciales para el ne-gocio utilizando Big Data son:

Apoyar procesos complejos de toma de decisiones. Gracias a las posibi-lidades de análisis de grandes cantidades de datos a tiempo real.

Ser capaz de extraer “inteligencia” de la combinación de fuentes estruc-turadas y no estructuradas de información. Utilizando métodos que ya hemos descrito con anterioridad de análisis de datos.

Ser capaces de integrar fuentes externas e internas de datos. I así po-derlas analizar en conjunto.

Ser capaces de trabajar con volúmenes “ingentes” de información. Como ya hemos comentado, una de las principales cualidades de Big Data.

39

Asimismo, este estudio también recoge los principales inconvenientes que las empresas muestran para la aplicación de Big Data.

Figura 15 encuesta entidades bancarias y aseguradoras 3

Fuente: Análisis EY, FrontQuery y Teradata

Asimismo, podemos apreciar que los principales temores y imprecisiones que se identifican en el sector son: barreras relacionadas con la capacidad tecnoló-gica de la entidad, la falta de criterio sobre la rentabilidad que pueden ofrecer las inversiones en Big Data. En definitiva al ser una disciplina tan novedosa y aunando la falta de conocimiento provoca el escepticismo en el sector.

Como podemos vislumbrar, hay multitud de aplicaciones del uso de Big Data para estos sectores. A continuación realizamos un listado de posibles aplica-ciones.

6.1 Aplicaciones basadas en el análisis de los clientes Procedemos entonces a listar las posibles aplicaciones de Big Data tanto para el conocimiento de los clientes como para obtener beneficio de ello, podemos así diferenciar dos grupos en aplicaciones. Analizaremos las aplicaciones de Big Data basadas en el análisis del cliente.

Es posible aplicar soluciones de Big Data centradas en el análisis del cliente.

Aplicación de análisis del cliente en tiempo real.

Con la aplicación de Big Data es posible analizar al cliente a tiempo real y adelantarse a sus necesidades incluso antes de que ocurran, para ello se utilizaran análisis de todas las comunicaciones que el cliente puede hacer para con la compañía y analizar la web social. Con ello, podremos conse-guir y potenciar la imagen de marca que toda compañía busca.

40

Aplicación de análisis de cartera para aumentar la fidelización.

Es posible gracias a la utilización de esta tecnología aumentar la fidelización del cliente analizando los datos que disponemos del cliente y también la web social en búsqueda de cualquier comentario y sugerencia que pueda mostrar el cliente para con la compañía o los productos que esta comercia-liza, y así poder ofrecer al cliente soluciones y seguimientos de sus inquie-tudes. Con ello, aumentaremos también la imagen de marca para con nuestros clientes y mejoraríamos la percepción que este tiene de la com-pañía.

Aplicación para aumentar la retención del cliente.

Utilizando Big Data podemos llegar a identificar, diversidad de patrones de fuga, ya sea analizando el descontento del cliente a través de la web social o de las comunicaciones a la compañía, analizando impagos de productos a tiempo real o analizando datos históricos para crear modelos de detección de indicadores de fuga.

Aplicación de análisis de cartera para potenciar la venta cruzada.

Es posible analizar la cartera en busca de histórico de ventas a clientes y cruzar estos datos con fuentes de información externas y de mercado para realizar patrones de propensión de compra de clientes que tienen uno o va-rios productos con la compañía y poder ofrecer nuevos productos.

Aplicación de análisis de mercado para lanzar campañas de marketing y captar nuevos clientes.

Utilizando análisis de mercado y analizando la web social en busca de clien-tes que pueden estar descontentos con sus compañías o los servicios que estas les proporcionan, es posible efectuar ofertas de productos a estos, pa-ra así potenciar la captación.

Aplicación para analizar los hábitos del cliente, hábitos de salud o de comportamiento.

Utilizando análisis del comportamiento de nuestros clientes, podemos reali-zar patrones de conducta a su exposición al riesgo ya sea analizando sus hábitos de vida para ofertar descuentos o productos de salud, planes de pensiones o planes de ahorro, o sus hábitos de conducción para ofertar descuentos o retarificar sus productos de automóvil o accidentes.

6.2 Aplicaciones para la eficiencia operacional y reducción de costes A continuación procederemos a analizar posibles aplicaciones de Big Data para aumentar la eficiencia operacional y la reducción de costes.

Aplicación para mejorar los procesos de las compañías.

41

Es posible la aplicación de las tecnologías de Big Data para para mejorar las comunicaciones internas de datos de las compañías y acelerar el proce-samiento de estos. Así como, para analizar las relaciones con proveedores y velar por el cumplimiento de los SLA21. Para ello se utilizaría la velocidad con la que la plataforma puede gestionar y analizar los datos, muy superior a la velocidad de los sistemas actuales.

Aplicación para detectar el fraude.

Con la utilización de soluciones de Big Data es posible analizar he incluso predecir el fraude para reducir la incidencia que este tiene en los costes de los siniestros. Analizando los perfiles de los clientes y perfiles de siniestrali-dad y cruzando estos datos con datos extraídos de los siniestros, datos de la web social, informes policiales y análisis predictivos.

Aplicación para reducir el riesgo operacional.

Utilizando Big Data es posible analizar la compañía en busca de posibles riesgos operacionales en tiempo real y así poder mitigar o adelantarse a sus consecuencias. Para ello se utilizará un análisis automatizado de los proce-sos internos de la compañía para detectar fallos en estos. Así como el aná-lisis de posibles acontecimientos externos que puedan afectar a la compañ-ía, ya sea mediante análisis de mercados, socioeconómicos o políticos.

Aplicación para identificar el riesgo de mercado.

Asimismo, y derivado del riesgo operacional, podremos utilizar Big Data pa-ra aumentar la precisión del cálculo del riesgo de mercado utilizándolo para mejorar los cálculos ya existentes de VAR o TVAR22. Conociendo a tiempo real lo que ocurre en los mercados. Asimismo, también podremos utilizar Big Data para la minimizar los riesgos de crédito o liquidez.

Aplicación para la segmentación del cliente.

Con herramientas de Big Data, es posible la segmentación del cliente a ni-veles a los que hace unos años no nos podríamos imaginar, utilizando cru-ces de datos tanto internos como externos y ya que poseemos de una vi-sión completa del cliente podremos realizar la segmentación de una manera rápida pudiendo así realizar los productos en base a esta segmentación.

Aplicación para la tarificación y selección de riesgos.

Asimismo es posible, bajo la utilización de Big Data identificar mejor el ries-go que vamos a suscribir, ya sea para afinar las políticas de suscripción, como para traficar mejor el riesgo y como consecuencia, mejorar el pricing de nuestros productos.

Aplicación para analizar la competencia.

21 Acuerdos de nivel de servicio (Service Level Agreement) 22 Fórmula para medir el riesgo de mercado, valor en riesgo (Value at Risk, o Tailed Value at Risk)

42

Asimismo, podemos analizar a la competencia usando Big Data, para anali-zar sus tarificaciones, productos y servicios. Así podemos tener una visión a tiempo real de los competidores de mercado y de cómo tarifican sus produc-tos.

Es necesario destacar, que las posibilidades de Big Data son enormes, y apli-cables a todos los aspectos de cualquier compañía y cualquier sector. He ana-lizado una parte de las posibles aplicaciones que pudiera haber para el sector asegurador y financiero. Al ser una tecnología tan nueva, durante los próximos años surgirán novedosas y multitud de aplicaciones.

6.3 Big Data y seguridad También es posible utilizar patrones de Big Data para mejorar la seguridad de las aseguradoras y financieras contra cualquier tipo de ataque informático.

Según el informe, Cyber Security Breaches Survey, presentado en la primera jornada de Infosecurity Europe23, de junio del presente año, por PwC24, recoge que el coste de las brechas de seguridad en las grandes empresas de UK, ron-da los 2 millones de euros.

Figura 16: Brechas de seguridad en UK

Fuente: estudio presentado por PwC

De este estudio se deduce que no solo el coste de las brechas de seguridad de las empresas va en aumento, si no la cantidad de ataques que reciben. Debe-mos intentar mitigar y estar preparados para este tipo de ataques informáticos, ya que tanto el sector asegurador como el financiero se ven y se verán afecta-dos. 23 Principal evento Europeo sobre seguridad informática (www.infosecurityeurope.com) 24 Una de las mayores firmas de servicios profesionales del mundo (www.pwc.es)

43

Asimismo, como ya hemos indicado, es posible aplicar soluciones de Big Data para aumentar la seguridad de las compañías.

Cualquier tipo de ataque informático queda reflejado y registrado en las bitáco-ras de las infraestructuras de Ti de las compañías. Utilizando soluciones de Big Data, podremos analizar los registros a tiempo real para detectar brechas de seguridad y configurar alarmas en el sistema para cortar las conexiones y reali-zar informes para que podamos analizar y minimizar las posibles pérdidas ge-neradas por estas.

Utilizaremos el análisis de grandes volúmenes de información para mejorar la seguridad analizando:

Registros en el sistema (logs)

Registros transaccionales

Tráfico de red

Con ello podremos buscar en el sistema situaciones y comportamientos que pueden representar violaciones de seguridad.

Gracias a estos análisis podríamos detectar:

Transacciones de datos irregulares

Detecciones de amenazas persistentes avanzadas 25(APT)

Detección y análisis de ataques

Detección y análisis de robots informáticos (Botnets)

Asimismo, otro tipo de seguridad a la que tenemos que tener en cuenta en la introducción de Big Data en cualquier compañía, es que estamos tratando con un volumen de datos mucho mayor. Esto se traduce a cuanto más volumen de datos tratamos, más riesgo tenemos de obtener fugas y brechas de informa-ción, por ello se requiere un sistema de seguridad más completo y complejo. Y más riesgo de incumplir normativas asociadas a la privacidad de la información o la propiedad intelectual.

En el informe titulado “Top 10 Big Data Security and Privacy Challenges Re-port” realizado por Cloud Security Alliance26 establece 10 retos de seguridad que se deben de tener en cuenta cuando se deben afrontar proyectos de Big Data.

1. Asegurar la computación en marcos de programación distribuidos.

2. Implantar las mejores prácticas de seguridad en almacenamiento de da-tos no relacionales.

25 Se utiliza para referirse a ciber amenazas, en particular, las realizadas para el espionaje y usando gran variedad de técnicas de recopilación de información para tener acceso a información confidencial. 26 Organización sin ánimo de lucro cuyo objetivo es promover y proporcionar el uso de “best practices” para ofrecer garantías de seguridad dentro del “cloud computing”

44

3. Asegurar el almacenamiento de datos y transacciones,

4. Validación en el punto final.

5. Seguridad y monitorización a tiempo real.

6. Minería de datos y analítica escalable con capacidad de preservar la pri-vacidad de los datos.

7. Control de acceso y seguridad de la comunicación con sistemas encrip-tados.

8. Control de acceso granular.

9. Auditorias granulares.

10. Gestión de la procedencia de los datos.

Una Buena noticia es que el modelo de seguridad de los sistemas actuales de TI ya cuenta con la mayor parte de las necesidades de seguridad que requiere un proyecto de Big Data.

45

7. Modelo de aplicación de una solución de Big Data para la compañía

Trabajando con la hipótesis de que ya sabemos que es Big Data y podemos hacernos a la idea de las posibles fuentes de datos que tenemos a nuestro al-cance y las posibles aplicaciones que podemos darle a estos datos. El siguien-te paso debe ser el cómo aplicar una solución de Big Data a una Compañía.

Asimismo, hay que tener en cuenta que hay errores comunes en la percepción de la aplicación de Big Data.

Tener y analizar más y más volumen de datos no siempre es necesario para realizar las predicciones o cruces de datos con acierto. Hay que aprender primero que datos deseamos o podemos analizar para llegar a un fin concreto.

La calidad de los datos es un hecho a tener muy en cuenta antes de rea-lizar un análisis. Es decir, tenemos que contrastar los datos que reco-gemos con más de una fuente de información para no caer en el error de procesar datos incompletos o de baja calidad, que no sean una muestra fidedigna de la realidad.

Es posible definir cuatro fases que cualquier compañía debería de seguir para la aplicación de proyectos de Big Data. Figura 17: Fases de adopción a Big Data

Fuente: IBM

A continuación describiremos las cuatro fases de la adopción que describe un estudio publicado por IBM 27llamado “El uso de Big Data en el mundo real”.

La primera fase, educación.

Antes de iniciar con cualquier proyecto de Big Data, es necesario realizar un estudio de las posibles ventajas que ofrece la tecnología y analítica de Big Data y entender como esta puede ayudar a la compañía a mejorar sus pro-cesos o entender las posibilidades de negocio que pueden ofrecer. Esto se

27 International Business Machines Corp. Empresa multinacional líder de tecnología y consultoría (ibm.com)

46

logrará gracias a la comprensión de la tecnología de las soluciones de Big Data.

Segunda fase, exploración.

Una vez tenemos suficiente información de la tecnología de Big Data pode-mos realizar un caso de negocio (“business case”) para así integrar Big data al plan de negocio de la empresa, analizar si es viable realizar la inversión que supone, a donde queremos llegar con Big Data, que aplicaciones puede tener para con la empresa y cuantificar las ganancias que nos pueda apor-tar.

En esta fase también deberíamos definir los datos que necesitamos para cada aplicación y así utilizar los mínimos necesarios ya que, contra más da-tos analicemos más elevado será el coste del análisis.

Tercera fase, interacción.

En esta fase debemos empezar a realizar pruebas con la tecnología de Big Data, realizar proyectos piloto, empezar a realizar pequeños análisis para así familiarizarse con la tecnología y poder prepararnos para los proyectos que pueden aportar mayores beneficios.

Cuarta fase, ejecución.

Una vez probada y analizada la tecnología de Big Data, es posible la reali-zación de proyectos que pueden llegar a transformar el negocio gracias al aprovechamiento total del valor de los activos de información.

7.1 Obstáculos y beneficios de la aplicación de Big Data

La utilización de Big Data también tiene diferentes obstáculos, utilizaremos un estudio publicado en abril del presente año por CA Technologies28, titulado The State of Big Data Infrastucture: Benchmarking Global Big Data Users to Drive Future Performance, que ofrece un estudio global acerca de las empresas que utilizan o se plantean la utilización de Big Data y de los obstáculos que se iden-tifican para su implementación, así como, sus beneficios para analizarlos.

Los principales obstáculos que se identifican son:

Infraestructura existente insuficiente

Complejidad de la organización

Preocupación por la seguridad y el cumplimiento normativo

Falta de presupuesto y recursos

28 Una de las compañías más grandes de la creación de software en el mundo (www.ca.com)

47

Falta de visibilidad de la información y procesos

Dificultad de identificar el retorno de la inversión

Falta de comprensión por parte de la alta dirección

Falta de comprensión de los requisitos de datos

Ausencia de correcta habilidad interna

Disponibilidad de las herramientas correctas

Cultura corporativa

Asimismo, cabe destacar que los beneficios superan los obstáculos, ya que 9 de cada 10 de las grandes organizaciones se benefician de la utilización de Big Data y el 88% de ellas aprecian o han anticipado un aumento de los ingresos.

Según mi opinión tanto el sector asegurador como financiero español deben subirse al carro de Big Data, si no lo han realizado ya, para poder aprovechar todo el potencial que este tiene para aumentar los beneficios de negocio.

7.2 Ejemplo de una aplicación de Big Data A continuación se expone un ejemplo de cómo aplicar Big Data para mejorar los procesos de detección de fraude y tratamiento de siniestros.

Para las aseguradoras, los siniestros son el momento más crítico de su relación con el cliente. Es el momento donde el cliente necesita que su compañía de seguros sea responsable, ágil, eficiente y justa. Si no es así la compañía puede perder al cliente.

El pago de siniestros y su administración (particularmente en siniestros de Responsabilidad Civil) son los principales gastos de las compañías. Asimismo, se estima que aproximadamente un 10% de todos los siniestros de responsabi-lidad civil son fraudulentos y que menos del 20% de estos son detectados o denegados, según Michael A. Costonis Director de negocio de Accenture Pro-perty and Casualty Insurances Services29.

Otro estudio que analiza el fraude del sector en España. Es uno realizado por AXA y publicado en Marzo de este año, llamado: Mapa Axa del Fraude en Es-paña. En este informe se explica el fraude y la incidencia de este en el sector, así como, analiza los costes que el fraude ha representado a la compañía y distribuye el fraude por ramos, como se muestra en la siguiente imagen.

29 www.accenture.com (multinacional de servicios de consultoría y servicios tecnológicos)

48

Figura 18: Distribución de Fraude por Ramos

Fuente: AXA

Asimismo, en este estudio también se analiza la tasa de fraude por comunida-des.

Figura 19: Tasa de fraude en España

Fuente: AXA

Mejorando los servicios, reduciendo los costes administrativos y previniendo el fraude (este último es el que tendría un mayor impacto como hemos mostrado) es posible reducir el coste siniestral significativamente.

49

Con la siguiente imagen se realiza un resumen del proceso que se debiera rea-lizar con la aplicación de Big Data.

Figura 20: Proceso detección fraude Con Big Data

Fuente: Elaboración propia

Cruzando los datos estructurados y no estructurados que podemos poseer del cliente, el siniestro y datos de antecedentes. Automatizando reglas y algoritmos para la clasificación de la siniestralidad y el fraude es posible la prevención de este a niveles muchos más altos de él que actualmente se realiza. Asimismo es también posible agilizar la gestión de todo tipo de siniestros.

50

51

8. Compañías que ofrecen soluciones de Big Data

A continuación analizaremos y listaremos las principales compañías que ofre-cen soluciones de Big Data.

Asimismo, podemos dividir en dos las empresas que proveen de Big Data, por un lado están empresas nuevas que empiezan a emerger en los últimos años y por otro lado grandes empresas ya proveedoras de hardware, software y bases de datos que están integradas en el mercado y ofrecen soluciones de Big Data.

Hewlett-Packard

Una de las mayores empresas de tecnologías de la información del mundo y a su vez, uno de los proveedores más grandes de Big Data. Ofrece una mezcla de hardware software y servicios, la plataforma que utiliza para Big Data se denomina Vertica. La plataforma de análisis Vertica está diseñada para analizar grandes volúmenes de datos estructurados y no estructurados a una gran velocidad.

Su plataforma de software, se denomina HAVEN. Esta ofrece analisis de Big Data y aplicaciones de nueva generación, disponible tanto en local co-mo en la nube a una velocidad muy alta.

International Business Machines Corporation

Otro de los proveedores más grandes de Big Data del mundo. Ofrece hard-ware, software y servicios relacionados con soluciones de Big data. Entre ellas destacamos las plataformas de bases de datos DB2 e InfoSphere, y aplicaciones de analisis como Cognos.

IBM también da soporte a la plataforma Hadoop que es un software de li-cencia libre que permite a las aplicaciones trabajar con un gran volumen de nodos de datos.

EMC Corporation

Emc se especializa en el almacenaje y administración de Big Data, forma parte de un grupo de empresas para ofrecer un portafolio completo de pro-ductos de Big Data, software hardware y servicios.

Destacamos que EMC posee el Marketing Science Lab, un laboratorio de ideas que ayuda a las compañias a integrar y usar Big Data en su departa-mento de marketing.

Teradata Corporation

52

Teradata se especializa en almacenaje y análisis de Big Data. Proveedora de hardware de almacenaje y un gran catálogo de herramientas de análisis y fuentes de datos.

Oracle Corporation

Ampliamente conocida por su base de datos del mismo nombre, dispone de Oracle Big Data Appilance, una mezcla de hardware y software que utiliza un servidor de Intel con software de análisis Hadoop y bases de datos NoSQl de Oracle.

SAP SE

Ofrece diferentes soluciones de software de análisis de Big Data, no obstan-te, su mejor herramienta es su base de datos en memoria HANA, la cual puede analizar una inmensa cantidad de datos he integrada con Hadoop aprovecha el poder de análisis y predicción de datos a tiempo real.

Microsoft Corporation

Empresa sobradamente conocida por dedicarse a los sectores de software y hardware, como el sistema operativo Windows. En términos de Big Data, Microsoft está asociada con Hortonworks y ofrece una herramienta llamada HDinsights basa en el análisis de datos estructurados y no estructurados en la base de datos Hortonworks Data Platform. Ofrece a su vez varias herra-mientas de visualización relacionadas con Big Data.

Amazon

Concretamente Amazon Web Services, es una colección de servicios de computación en la nube utilizando Big Data, se incluye RedShift como plata-forma de almacenaje masiva de datos, o el Elastic Map Reduce como herramienta de análisis, entre otras.

VMware

Filial de EMC Corporation conocida por su software de virtualización. No obstante se está centrando en las soluciones de Big Data y ofrece un soft-ware llamado VMware vSphere Big Data Extensions, que facilita las imple-mentaciones de Big Data a las empresas.

Google

Mundialmente conocida por su especialización en productos relacionados con internet, sus ofertas en Big Data incluyen entre otros, BigQuery. Esta es una plataforma de análisis de Big Data basada en la nube para analizar grandes cantidades de datos a una gran velocidad.

53

Hemos comentado las diez principales empresas que comercializan soluciones de Big Data. Asimismo, hay muchas más y con la evolución de la tecnología no dejan de surgir. Mostramos algunas más en la siguiente imagen.

Figura 21: Compañías de Big Data

Fuente: forbes.com/ The Best Big Data And Business Analytics Com-panies To Work For In 2015

54

55

9. Capítulo de conclusiones Con la elaboración de esta tesina he comprendido cómo funciona la tecnología de Big Data, que más bien se trata de una combinación de tecnologías con el fin de recolectar, almacenar analizar y visualizar la ingente cantidad de datos que se generan.

Concluyo entonces que con la comprensión de esta tecnología es posible mejo-rar enormemente los procesos y las capacidades de negocio de cualquier com-pañía aseguradora o financiera, he aprendido que capacidad tiene una asegu-radora para obtener datos y sus posibles fuentes de datos.

Asimismo, he podido deducir una serie de aplicaciones, para empresas asegu-rados y financieras. También he detectado que así como las aplicaciones en el mercado de Big Data se suelen centrar en soluciones centradas en los clientes. Una aseguradora o una Financiera pueden utilizar Big Data tanto para mejorar sus relaciones y conocimiento con el cliente, lo que puede crear y reforzar la imagen de marca que tan deseada es por las empresas aseguradoras y tanto cuesta de obtener, al tener poca relación con sus clientes ya que sus relacio-nes con este usualmente se reducen a venta y post venta, cobro de primas y siniestralidad. Como para mejorar sus procesos internos, reducir sus riesgos y costes tanto de siniestralidad como de sus procesos.

También he concluido que Big Data es necesario, en esta era de la informa-ción, es necesario optimizar las gestiones de la compañía para no quedarse atrás en el mercado y para evitar que otras grandes compañías de otros secto-res que ya disponen de muchos datos de los clientes, entren en el mercado del seguro con precios más competitivos, gracias al conocimiento de los riesgos que los datos le pueden ocasionar, el conocimiento del cliente o la imagen de marca que pueden llegar a tener con otros productos. No obstante, el sector asegurador y financiero tiene la ventaja de que ya están acostumbrados a tra-bajar con los riesgos, lo que puede marcar la diferencia.

Asimismo el futuro presenta cada vez más posibilidades de gestión de datos ya que se empieza a trabajar con el internet en las cosas, si las aseguradoras aprovechan este potencial tendrán una imagen del cliente y de los riesgos mu-cho más certera y revolucionará el seguro como lo conocemos.

Las tecnologías de Big Data han llegado para quedarse y de las compañías depende subirse a este tren y convertir sus modelos de negocio, o de dejarlo pasar y exponerse a un futuro incierto.

56

57

10. Bibliografía Capítulos de libro: LUIS PORTUGAL, Gestao de Seguros Nao-Vida, Instituto de formación Actua-rial. Sistemas de Informaçao. 2007 Informes: Apuntes Master DEAF (Fecha de consulta: 10 de junio de 2015). Dr. Karl Rieder, Dr. Ignasi Barri and Josep Tarruell, Big Data – Uncovering Hid-den Business Value in the Financial Services Industry (Fecha de consulta: 30 de junio de 2015). Fuentes de internet: Daniel Price, Facts and Stats about the big data industry. http://cloudtweaks.com/2015/03/surprising-facts-and-stats-about-the-big-data-industry/ (Fecha de consulta: 10 de junio de 2015). Susan Gunelius, The data explosión in 2014 minute by minute http://aci.info/2014/07/12/the-data-explosion-in-2014-minute-by-minute-infographic/ (Fecha de consulta: 10 de junio de 2015). Josh James, Data never sleeps 2.0 https://www.domo.com (Fecha de consulta: 10 de junio de 2015). Dave Evans, The internet of things https://www.cisco.com (Fecha de consulta: 12 de junio de 2015). IBM http://www.ibm.com (Fecha de consulta: 12 de junio de 2015). John Ganz ãnd David Reinsel The digital universe http://www.emc.com/collateral/analyst-reports/idc-the-digital-universe-in-2020.pdf (Fecha de consulta: 14 de junio de 2015).

58

PWC, Insurance 2020 http://www.pwc.com/en_GX/gx/insurance/pdf/insurance-2020-turning-change-into-opportunity.pdf (Fecha de consulta: 14 de junio de 2015). Roberto espinosa, Herramientas ETL http://www.dataprix.com/blogs/respinosamilla/herramientas-etl-que-son-para-que-valen-productos-mas-conocidos-etl-s-open-sour (Fecha de consulta: 14 de junio de 2015). Acens, Bases de datos no SQL http://www.acens.com/ (Fecha de consulta: 15 de junio de 2015). A.K. Jain, M.N. Murty and P.J. Flynn, Data Clustering: A Review https://ai.vub.ac.be/sites/default/files/dataclustering.pdf (Fecha de consulta: 15 de junio de 2015). Silvia Grande, Visualización de datos http://www.e-interactive.es/blog/visualizacion-de-datos-10-potentes-herramientas-que-debes-conocer/#axzz3guM62eH2 (Fecha de consulta: 15 de junio de 2015). https://es.wikipedia.org (Fecha de consulta: 15 de junio de 2016). Revista Telos http://telos.fundaciontelefonica.com/ (Fecha de consulta: 15 de junio de 2015). Fuentes de información http://www.tiposde.com (Fecha de consulta: 16 de junio de 2015). http://papelesdeinteligencia.com/ (Fecha de consulta: 16 de junio de 2015). Noticia http://letslaw.es/blog/el-parlamento-europeo-aprueba-la-reforma-del-reglamento-sobre-proteccion-de-datos/ (Fecha de consulta: 16 de junio de 2015). Nota de prensa https://www.agpd.es/portalwebAGPD/revista_prensa/revista_prensa/2015/notas_prensa/news/2015_01_28-ides-idphp.php (Fecha de consulta: 18 de junio de 2015).

59

Rafael Sierra, Artículo http://adndelseguro.com/es/actualidad/companias/la-banca-tiembla-ante-apple-google-y-facebook-deberia-tambien-asustarse-el (Fecha de consulta: 20 de julio de 2015). The Digital insurer http://ins.accenture.com/rs/accenturefs/images/HP-Digital-Insurer.pdf (Fecha de consulta: 21 de junio de 2015). Vision cliente 360º en el big data analytics http://www.lantares.com/ (Fecha de consulta: 21 de junio de 2015). Big Data en el Sector Financiero español http://www.ey.com/Publication/vwLUAssets/EY-big-data-en-el-sector-financiero-espanol/$FILE/EY-big-data-en-el-sector-financiero-espanol.pdf (Fecha de consulta: 30 de junio de 2015). TATA, A Dozen Ways Insurers Can Leverage Big Data for Business Value http://www.tcs.com/SiteCollectionDocuments/White%20Papers/Insurance-Whitepaper-Business-Value-Big-Data-Insurers-0613-2.pdf (Fecha de consulta: 30 de junio de 2015). ACORD and MARKLOGIC, Making Sense of Big Data in Insurance http://www.marklogic.com/resources/making-sense-of-big-data-in-insurance/resource_download/whitepapers/ (Fecha de consulta: 01 de julio de 2015). Michael Costonis, Predictive Analytis: A powerfull weapon in fight against fraud. http://www.propertycasualty360.com/2011/04/04/predictive-analytics-a-powerful-weapon-in-fight-ag (Fecha de consulta: 01 de julio de 2015). HM Government http://www.pwc.co.uk/assets/pdf/2015-isbs-technical-report-blue-03.pdf (Fecha de consulta: 01 de julio de 2015). Fausto Cepeda, EL Impacto de Big Data a la seguridad de la información. IBM, Analytics: El uso de Big Data en el Mundo Real http://www.IBM.com (Fecha de consulta: 01 de julio de 2015). PWC, Seguridad en tiempos de Big Data http://www.isaca.org/chapters8/Montevideo/cigras/Documents/CIGRAS2014%20-%20Seguridad%20en%20tiempos%20de%20Big%20Data.pdf (Fecha de consulta: 01 de julio de 2015).

60

CSA, Top Ten Big DataSecurity and Privacy Challenges. http://www.cloudsecurityalliance.org (Fecha de consulta: 01 de julio de 2015). AXA, II Mapa AXA de fraude en España. Marzo de 2015. https://www.axa.es/documents/1119421/2495806/infome-fraude-mapa-AXA-fraude-espana.pdf/09b347c7-6f28-4117-9fa3-1f8536ae0054 (Fecha de consulta: 01 de julio de 2015). Vanson Bourne, The State of Big Data Infrastructure http://www.ca.com/us/~/media/Files/IndustryResearch/the-state-of-big-data-infrastructure.pdf (Fecha de consulta: 01 de julio de 2015). Fuentes Oficiales: Ley Orgánica 15/1999, de 13 de diciembre, de Protección de Datos de Carácter Personal. REAL Decreto 1720/2007, de 21 de diciembre, por el que se aprueba el Estatu-to de la Agencia Española de Protección de datos.

61

David Ramos Pastor Nacido en Terrassa, el 03 de abril de 1985. Inició su carrera profesional en el sector asegurador en HP, como gestor de contact-center de Segurcaixa en 2009, posteriormente en Hp, en 2012 pasó a ser responsable de coordinar y supervisar el departamento de soporte a la in-tegración de hp para Vidacaixa, finalmente en HP, en 2013 y hasta la actuali-dad es responsable de coordinar el departamento del contact-center de sinies-tros Multirriesgo, Responsabilidad Civil y Diversos de HP para Segurcaixa Adeslas.

62

63

COLECCIÓN “CUADERNOS DE DIRECCIÓN ASEGURADORA”

Master en Dirección de Entidades Aseguradoras y Financieras Facultad de Economía y Empresa. Universidad de Barcelona

PUBLICACIONES

1.- Francisco Abián Rodríguez: “Modelo Global de un Servicio de Prestaciones Vida y su interrelación con Suscripción” 2005/2006

2.- Erika Johanna Aguilar Olaya: “Gobierno Corporativo en las Mutualidades de Seguros” 2005/2006

3.- Alex Aguyé Casademunt: “La Entidad Multicanal. Elementos clave para la implantación de la Estrate-gia Multicanal en una entidad aseguradora” 2009/2010

4.- José María Alonso-Rodríguez Piedra: “Creación de una plataforma de servicios de siniestros orientada al cliente” 2007/2008

5.- Jorge Alvez Jiménez: “innovación y excelencia en retención de clientes” 2009/2010

6.- Anna Aragonés Palom: “El Cuadro de Mando Integral en el Entorno de los seguros Multirriesgo” 2008/2009

7.- Maribel Avila Ostos: “La tele-suscripción de Riesgos en los Seguros de Vida” 2009/20010

8.- Mercé Bascompte Riquelme: “El Seguro de Hogar en España. Análisis y tendencias” 2005/2006

9.- Aurelio Beltrán Cortés: “Bancaseguros. Canal Estratégico de crecimiento del sector asegurador” 2010/2011

10.- Manuel Blanco Alpuente:“Delimitación temporal de cobertura en el seguro de responsabilidad civil. Las cláusulas claims made” 2008/2009

11.- Eduard Blanxart Raventós: “El Gobierno Corporativo y el Seguro D & O” 2004/2005

12.- Rubén Bouso López: “El Sector Industrial en España y su respuesta aseguradora: el Multirriesgo Industrial. Protección de la empresa frente a las grandes pérdidas patrimoniales”2006/2007

13.- Kevin van den Boom:“El Mercado Reasegurador (Cedentes, Brokers y Reaseguradores). Nuevas Tendencias y Retos Futuros” 2008/2009

14.- Laia Bruno Sazatornil: “L’ètica i la rentabilitat en les companyies asseguradores. Proposta de codi deontològic” 2004/2005

15.- María Dolores Caldés LLopis: “Centro Integral de Operaciones Vida” 2007/2008

16.- Adolfo Calvo Llorca: “Instrumentos legales para el recobro en el marco del seguro de crédito” 2010/2011 17.- Ferran Camprubí Baiges: “La gestión de las inversiones en las entidades aseguradoras. Selección de inversiones” 2010/2011

18.- Joan Antoni Carbonell Aregall: “La Gestió Internacional de Sinistres d’Automòbil amb Resultat de Danys Materials” 2003-2004

19.- Susana Carmona Llevadot: “Viabilidad de la creación de un sistema de Obra Social en una entidad aseguradora” 2007/2008

20.- Sergi Casas del Alcazar: “El PLan de Contingencias en la Empresa de Seguros” 2010/2011

21.- Francisco Javier Cortés Martínez: “Análisis Global del Seguro de Decesos” 2003-2004

22.- María Carmen Ceña Nogué:“El Seguro de Comunidades y su Gestión” 2009/2010

23.- Jordi Cots Paltor: “Control Interno. El auto-control en los Centros de Siniestros de Automóviles” 2007/2008 24.- Montserrat Cunillé Salgado: “Los riesgos operacionales en las Entidades Aseguradoras” 2003-2004

64

25.- Ricard Doménech Pagés: “La realidad 2.0. La percepción del cliente, más importante que nunca” 2010/2011 26.- Luis Domínguez Martínez: “Formas alternativas para la Cobertura de Riesgos” 2003-2004 27.- Marta Escudero Cutal: “Solvencia II. Aplicación práctica en una entidad de Vida” 2007/2008

28.- Salvador Esteve Casablancas: “La Dirección de Reaseguro. Manual de Reaseguro” 2005/2006

29.- Alvaro de Falguera Gaminde: “Plan Estratégico de una Correduría de Seguros Náuticos” 2004/2005

30.- Isabel Mª Fernández García: “Nuevos aires para las Rentas Vitalicias” 2006/2007

31.- Eduard Fillet Catarina: “Contratación y Gestión de un Programa Internacional de Seguros” 2009/2010

32.- Pablo Follana Murcia: “Métodos de Valoración de una Compañía de Seguros. Modelos Financieros de Proyección y Valoración consistentes” 2004/2005

33.- Juan Fuentes Jassé: “El fraude en el seguro del Automóvil” 2007/2008

34.- Xavier Gabarró Navarro: “"El Seguro de Protección Jurídica. Una oportunidad de Negocio"” 2009/2010 35.- Josep María Galcerá Gombau: “La Responsabilidad Civil del Automóvil y el Daño Corporal. La ges-tión de siniestros. Adaptación a los cambios legislativos y propuestas de futuro” 2003-2004

36.- Luisa García Martínez: “El Carácter tuitivo de la LCS y los sistemas de Defensa del Asegurado. Pers-pectiva de un Operador de Banca Seguros” 2006/2007

37.- Fernando García Giralt: “Control de Gestión en las Entidades Aseguradoras” 2006/2007

38.- Jordi García-Muret Ubis: “Dirección de la Sucursal. D. A. F. O.” 2006/2007

39.- David Giménez Rodríguez: “El seguro de Crédito: Evolución y sus Canales de Distribución” 2008/2009

40.- Juan Antonio González Arriete: “Línea de Descuento Asegurada” 2007/2008

41.- Miquel Gotés Grau: “Assegurances Agràries a BancaSeguros. Potencial i Sistema de Comercialitza-ció” 2010/2011

42.- Jesús Gracia León: “Los Centros de Siniestros de Seguros Generales. De Centros Operativos a Cen-tros Resolutivos. De la optimización de recursos a la calidad de servicio” 2006/2007

43.- José Antonio Guerra Díez: “Creación de unas Tablas de Mortalidad Dinámicas” 2007/2008

44.- Santiago Guerrero Caballero: “La politización de las pensiones en España” 2010/2011

45.- Francisco J. Herencia Conde: “El Seguro de Dependencia. Estudio comparativo a nivel internacional y posibilidades de desarrollo en España” 2006/2007

46.- Francisco Javier Herrera Ruiz:“Selección de riesgos en el seguro de Salud” 2009/2010

47.- Alicia Hoya Hernández:“Impacto del cambio climático en el reaseguro” 2008/2009

48.- Jordi Jiménez Baena: “Creación de una Red de Agentes Exclusivos” 2007/2008

49.- Oriol Jorba Cartoixà:“La oportunidad aseguradora en el sector de las energías renovables” 2008/2009

50.- Anna Juncá Puig: “Una nueva metodología de fidelización en el sector asegurador” 2003/2004

51.- Ignacio Lacalle Goría: “El artículo 38 Ley Contrato de Seguro en la Gestión de Siniestros. El procedi-miento de peritos” 2004/2005

52.- Mª Carmen Lara Ortíz: “Solvencia II. Riesgo de ALM en Vida” 2003/2004

53.- Haydée Noemí Lara Téllez: “El nuevo sistema de Pensiones en México” 2004/2005

65

54.- Marta Leiva Costa: “La reforma de pensiones públicas y el impacto que esta modificación supone en la previsión social” 2010/2011 55.- Victoria León Rodríguez: “Problemàtica del aseguramiento de los Jóvenes en la política comercial de las aseguradoras” 2010/2011

56.- Pilar Lindín Soriano: “Gestión eficiente de pólizas colectivas de vida” 2003/2004

57.- Victor Lombardero Guarner: “La Dirección Económico Financiera en el Sector Asegurador” 2010/2011

58.- Maite López Aladros: “Análisis de los Comercios en España. Composición, Evolución y Oportunida-des de negocio para el mercado asegurador” 2008/2009

59.- Josep March Arranz: “Los Riesgos Personales de Autónomos y Trabajadores por cuenta propia. Una visión de la oferta aseguradora” 2005/2006

60.- Miquel Maresch Camprubí: “Necesidades de organización en las estructuras de distribución por me-diadores” 2010/2011

61.- José Luis Marín de Alcaraz: “El seguro de impago de alquiler de viviendas” 2007/2008

62.- Miguel Ángel Martínez Boix: “Creatividad, innovación y tecnología en la empresa de seguros” 2005/2006

63.- Susana Martínez Corveira: “Propuesta de Reforma del Baremo de Autos” 2009/2010

64.- Inmaculada Martínez Lozano: “La Tributación en el mundo del seguro” 2008/2009

65.- Dolors Melero Montero: “Distribución en bancaseguros: Actuación en productos de empresas y ge-rencia de riesgos" 2008/2009

66.- Josep Mena Font: “La Internalización de la Empresa Española” 2009/2010

67.- Angela Milla Molina: “La Gestión de la Previsión Social Complementaria en las Compañías de Segu-ros. Hacia un nuevo modelo de Gestión” 2004/2005

68.- Montserrat Montull Rossón: “Control de entidades aseguradoras” 2004/2005

69.- Eugenio Morales González: “Oferta de licuación de patrimonio inmobiliario en España” 2007/2008

70.- Lluis Morales Navarro: “Plan de Marketing. División de Bancaseguros” 2003/2004

71.- Sonia Moya Fernández: “Creación de un seguro de vida. El éxito de su diseño” 2006/2007

72.- Rocio Moya Morón: “Creación y desarrollo de nuevos Modelos de Facturación Electrónica en el Segu-ro de Salud y ampliación de los modelos existentes” 2008/2009

73.- María Eugenia Muguerza Goya: “Bancaseguros. La comercialización de Productos de Seguros No Vida a través de redes bancarias” 2005/2006

74.- Ana Isabel Mullor Cabo: “Impacto del Envejecimiento en el Seguro” 2003/2004

75.- Estefanía Nicolás Ramos: “Programas Multinacionales de Seguros” 2003/2004

76.- Santiago de la Nogal Mesa: “Control interno en las Entidades Aseguradoras” 2005/2006

77.- Antonio Nolasco Gutiérrez: “Venta Cruzada. Mediación de Seguros de Riesgo en la Entidad Financie-ra” 2006/2007

78.- Francesc Ocaña Herrera: “Bonus-Malus en seguros de asistencia sanitaria” 2006/2007

79.- Antonio Olmos Francino: “El Cuadro de Mando Integral: Perspectiva Presente y Futura” 2004/2005

80.- Luis Palacios García: “El Contrato de Prestación de Servicios Logísticos y la Gerencia de Riesgos en Operadores Logísticos” 2004/2005

81.- Jaume Paris Martínez: “Segmento Discapacitados. Una oportunidad de Negocio” 2009/2010

82.- Martín Pascual San Martín: “El incremento de la Longevidad y sus efectos colaterales” 2004/2005

66

83.- Montserrat Pascual Villacampa: “Proceso de Tarificación en el Seguro del Automóvil. Una perspectiva técnica” 2005/2006

84.- Marco Antonio Payo Aguirre: “La Gerencia de Riesgos. Las Compañías Cautivas como alternativa y tendencia en el Risk Management” 2006/2007

85.- Patricia Pérez Julián: “Impacto de las nuevas tecnologías en el sector asegurador” 2008/2009

86.- María Felicidad Pérez Soro: “La atención telefónica como transmisora de imagen” 2009/2010

87.- Marco José Piccirillo: “Ley de Ordenación de la Edificación y Seguro. Garantía Decenal de Daños” 2006/2007

88.- Irene Plana Güell: “Sistemas d’Informació Geogràfica en el Sector Assegurador” 2010/2011

89.- Sonia Plaza López: “La Ley 15/1999 de Protección de Datos de carácter personal” 2003/2004

90.- Pere Pons Pena: “Identificación de Oportunidades comerciales en la Provincia de Tarragona” 2007/2008

91.- María Luisa Postigo Díaz: “La Responsabilidad Civil Empresarial por accidentes del trabajo. La Pre-vención de Riesgos Laborales, una asignatura pendiente” 2006/2007

92.- Jordi Pozo Tamarit: “Gerencia de Riesgos de Terminales Marítimas” 2003/2004

93.- Francesc Pujol Niñerola: “La Gerencia de Riesgos en los grupos multisectoriales” 2003-2004

94.- Mª del Carmen Puyol Rodríguez: “Recursos Humanos. Breve mirada en el sector de Seguros” 2003/2004

95.- Antonio Miguel Reina Vidal: “Sistema de Control Interno, Compañía de Vida. Bancaseguros” 2006/2007 96.- Marta Rodríguez Carreiras: “Internet en el Sector Asegurador” 2003/2004

97.- Juan Carlos Rodríguez García: “Seguro de Asistencia Sanitaria. Análisis del proceso de tramitación de Actos Médicos” 2004/2005

98.- Mónica Rodríguez Nogueiras: “La Cobertura de Riesgos Catastróficos en el Mundo y soluciones alternativas en el sector asegurador” 2005/2006

99.- Susana Roquet Palma: “Fusiones y Adquisiciones. La integración y su impacto cultural” 2008/2009

100.- Santiago Rovira Obradors: “El Servei d’Assegurances. Identificació de les variables clau” 2007/2008

101.- Carlos Ruano Espí: “Microseguro. Una oportunidad para todos” 2008/2009

102.- Mireia Rubio Cantisano: “El Comercio Electrónico en el sector asegurador” 2009/2010

103.- María Elena Ruíz Rodríguez: “Análisis del sistema español de Pensiones. Evolución hacia un mode-lo europeo de Pensiones único y viabilidad del mismo” 2005/2006

104.- Eduardo Ruiz-Cuevas García: “Fases y etapas en el desarrollo de un nuevo producto. El Taller de Productos” 2006/2007

105.- Pablo Martín Sáenz de la Pascua: “Solvencia II y Modelos de Solvencia en Latinoamérica. Sistemas de Seguros de Chile, México y Perú” 2005/2006

106.- Carlos Sala Farré: “Distribución de seguros. Pasado, presente y tendencias de futuro” 2008/2009

107.- Ana Isabel Salguero Matarín: “Quién es quién en el mundo del Plan de Pensiones de Empleo en España” 2006/2007

108.- Jorge Sánchez García: “El Riesgo Operacional en los Procesos de Fusión y Adquisición de Entida-des Aseguradoras” 2006/2007

109.- María Angels Serral Floreta: “El lucro cesante derivado de los daños personales en un accidente de circulación” 2010/2011

67

110.- David Serrano Solano: “Metodología para planificar acciones comerciales mediante el análisis de su impacto en los resultados de una compañía aseguradora de No Vida” 2003/2004

111.- Jaume Siberta Durán: “Calidad. Obtención de la Normativa ISO 9000 en un centro de Atención Tele-fónica” 2003/2004

112.- María Jesús Suárez González: “Los Poolings Multinacionales” 2005/2006

113.- Miguel Torres Juan: “Los siniestros IBNR y el Seguro de Responsabilidad Civil” 2004/2005

114.- Carlos Travé Babiano: “Provisiones Técnicas en Solvencia II. Valoración de las provisiones de si-niestros” 2010/2011

115.- Rosa Viciana García: “Banca-Seguros. Evolución, regulación y nuevos retos” 2007/2008

116.- Ramón Vidal Escobosa: “El baremo de Daños Personales en el Seguro de Automóviles” 2009/2010

117.- Tomás Wong-Kit Ching: “Análisis del Reaseguro como mitigador del capital de riesgo” 2008/2009

118.- Yibo Xiong: “Estudio del mercado chino de Seguros: La actualidad y la tendencia” 2005/2006

119.- Beatriz Bernal Callizo: “Póliza de Servicios Asistenciales” 2003/2004

120.- Marta Bové Badell: “Estudio comparativo de evaluación del Riesgo de Incendio en la Industria Quí-mica” 2003/2004

121.- Ernest Castellón Texidó: “La edificación. Fases del proceso, riesgos y seguros” 2004/2005

122.- Sandra Clusella Giménez: “Gestió d’Actius i Passius. Inmunització Financera” 2004/2005

123.- Miquel Crespí Argemí: “El Seguro de Todo Riesgo Construcción” 2005/2006

124.- Yolanda Dengra Martínez: “Modelos para la oferta de seguros de Hogar en una Caja de Ahorros” 2007/2008

125.- Marta Fernández Ayala: “El futuro del Seguro. Bancaseguros” 2003/2004

126.- Antonio Galí Isus: “Inclusión de las Energías Renovables en el sistema Eléctrico Español” 2009/2010

127.- Gloria Gorbea Bretones: “El control interno en una entidad aseguradora” 2006/2007

128.- Marta Jiménez Rubio: “El procedimiento de tramitación de siniestros de daños materiales de auto-móvil: análisis, ventajas y desventajas” 2008/2009

129.- Lorena Alejandra Libson: “Protección de las víctimas de los accidentes de circulación. Comparación entre el sistema español y el argentino” 2003/2004

130.- Mario Manzano Gómez: “La responsabilidad civil por productos defectuosos. Solución aseguradora” 2005/2006

131.- Àlvar Martín Botí: “El Ahorro Previsión en España y Europa. Retos y Oportunidades de Futuro” 2006/2007

132.- Sergio Martínez Olivé: “Construcción de un modelo de previsión de resultados en una Entidad Ase-guradora de Seguros No Vida” 2003/2004

133.- Pilar Miracle Vázquez: “Alternativas de implementación de un Departamento de Gestión Global del Riesgo. Aplicado a empresas industriales de mediana dimensión” 2003/2004

134.- María José Morales Muñoz: “La Gestión de los Servicios de Asistencia en los Multirriesgo de Hogar” 2007/2008 135.- Juan Luis Moreno Pedroso: "El Seguro de Caución. Situación actual y perspectivas" 2003/2004 136.- Rosario Isabel Pastrana Gutiérrez: “Creació d'una empresa de serveis socials d'atenció a la de-pendència de les persones grans enfocada a productes d'assegurances” 2007/2008

137.- Joan Prat Rifá: "La Previsió Social Complementaria a l'Empresa" 2003/2004

68

138.- Alberto Sanz Moreno: “Beneficios del Seguro de Protección de Pagos” 2004/2005

139.- Judith Safont González: “Efectes de la contaminació i del estils de vida sobre les assegurances de salut i vida” 2009/2010

140.- Carles Soldevila Mejías: “Models de gestió en companyies d’assegurances. Outsourcing / Insour-cing” 2005/2006

141.- Olga Torrente Pascual: “IFRS-19 Retribuciones post-empleo” 2003/2004

142.- Annabel Roig Navarro: “La importancia de las mutualidades de previsión social como complementa-rias al sistema publico” 2009/2010 143.- José Angel Ansón Tortosa: “Gerencia de Riesgos en la Empresa española” 2011/2012 144.- María Mecedes Bernués Burillo: “El permiso por puntos y su solución aseguradora” 2011/2012 145.- Sònia Beulas Boix: “Prevención del blanqueo de capitales en el seguro de vida” 2011/2012 146.- Ana Borràs Pons: “Teletrabajo y Recursos Humanos en el sector Asegurador” 2011/2012 147.- María Asunción Cabezas Bono: “La gestión del cliente en el sector de bancaseguros” 2011/2012 148.- María Carrasco Mora: “Matching Premium. New approach to calculate technical provisions Life in-surance companies” 2011/2012 149.- Eduard Huguet Palouzie: “Las redes sociales en el Sector Asegurador. Plan social-media. El Com-munity Manager” 2011/2012 150.- Laura Monedero Ramírez: “Tratamiento del Riesgo Operacional en los 3 pilares de Solvencia II” 2011/2012 151.- Salvador Obregón Gomá: “La Gestión de Intangibles en la Empresa de Seguros” 2011/2012 152.- Elisabet Ordóñez Somolinos: “El sistema de control Interno de la Información Financiera en las Enti-dades Cotizadas” 2011/2012 153.- Gemma Ortega Vidal: “La Mediación. Técnica de resolución de conflictos aplicada al Sector Asegu-rador” 2011/2012 154.- Miguel Ángel Pino García: “Seguro de Crédito: Implantación en una aseguradora multirramo” 2011/2012 155.- Genevieve Thibault: “The Costumer Experience as a Sorce of Competitive Advantage” 2011/2012 156.- Francesc Vidal Bueno: “La Mediación como método alternativo de gestión de conflictos y su aplica-ción en el ámbito asegurador” 2011/2012 157.- Mireia Arenas López: “El Fraude en los Seguros de Asistencia. Asistencia en Carretera, Viaje y Multirriesgo” 2012/2013 158.- Lluis Fernández Rabat: “El proyecto de contratos de Seguro-IFRS4. Expectativas y realidades” 2012/2013 159.- Josep Ferrer Arilla: “El seguro de decesos. Presente y tendencias de futuro” 2012/2013 160.- Alicia García Rodríguez: “El Cuadro de Mando Integral en el Ramo de Defensa Jurídica” 2012/2013 161.- David Jarque Solsona: “Nuevos sistemas de suscripción en el negocio de vida. Aplicación en el canal bancaseguros” 2012/2013 162.- Kamal Mustafá Gondolbeu: “Estrategias de Expansión en el Sector Asegurador. Matriz de Madurez del Mercado de Seguros Mundial” 2012/2013 163.- Jordi Núñez García: “Redes Periciales. Eficacia de la Red y Calidad en el Servicio” 2012/2013 164.- Paula Núñez García: “Benchmarking de Autoevaluación del Control en un Centro de Siniestros Di-versos” 2012/2013

69

165.- Cristina Riera Asensio: “Agregadores. Nuevo modelo de negocio en el Sector Asegurador” 2012/2013 166.- Joan Carles Simón Robles: “Responsabilidad Social Empresarial. Propuesta para el canal de agen-tes y agencias de una compañía de seguros generalista” 2012/2013 167.- Marc Vilardebó Miró: “La política de inversión de las compañías aseguradoras ¿Influirá Solvencia II en la toma de decisiones?” 2012/2013 168.- Josep María Bertrán Aranés: “Segmentación de la oferta aseguradora para el sector agrícola en la provincia de Lleida” 2013/2014 169.- María Buendía Pérez: “Estrategia: Formulación, implementación, valoración y control” 2013/2014 170.- Gabriella Fernández Andrade: “Oportunidades de mejora en el mercado de seguros de Panamá” 2013/2014 171.- Alejandro Galcerán Rosal: “El Plan Estratégico de la Mediación: cómo una Entidad Aseguradora puede ayudar a un Mediador a implementar el PEM” 2013/2014 172.- Raquel Gómez Fernández: “La Previsión Social Complementaria: una apuesta de futuro” 2013/2014 173.- Xoan Jovaní Guiral: “Combinaciones de negocios en entidades aseguradoras: una aproximación práctica” 2013/2014 174.- Àlex Lansac Font: “Visión 360 de cliente: desarrollo, gestión y fidelización” 2013/2014 175.- Albert Llambrich Moreno: “Distribución: Evolución y retos de futuro: la evolución tecnológica” 2013/2014 176.- Montserrat Pastor Ventura: “Gestión de la Red de Mediadores en una Entidad Aseguradora. Presen-te y futuro de los agentes exclusivos” 2013/2014 177.- Javier Portalés Pau: “El impacto de Solvencia II en el área de TI” 2013/2014 178.- Jesús Rey Pulido: “El Seguro de Impago de Alquileres: Nuevas Tendencias” 2013/2014 179.- Anna Solé Serra: “Del cliente satisfecho al cliente entusiasmado. La experiencia cliente en los segu-ros de vida” 2013/2014 180.- Eva Tejedor Escorihuela: “Implantación de un Programa Internacional de Seguro por una compañía española sin sucursales o filiales propias en el extranjero. Caso práctico: Seguro de Daños Materiales y RC” 2013/2014

181.- Vanesa Cid Pijuan: “Los seguros de empresa. La diferenciación de la mediación tradicional“ 2014/2015.

182.- Daniel Ciprés Tiscar: “¿Por qué no arranca el Seguro de Dependencia en España?” 2014/2015.

183.- Pedro Antonio Escalona Cano: “La estafa de Seguro. Creación de un Departamento de Fraude en una entidad aseguradora” 2014/2015.

184.- Eduard Escardó Lleixà: “Análisis actual y enfoque estratégico comercial de la Bancaseguros respec-to a la Mediación tradicional” 2014/2015.

185.- Marc Esteve Grau: “Introducción del Ciber Riesgo en el Mundo Asegurador” 2014/2015.

186.- Paula Fernández Díaz: “La Innovación en las Entidades Aseguradoras” 2014/2015.

187.- Alex Lleyda Capell: “Proceso de transformación de una compañía aseguradora enfocada a produc-to, para orientarse al cliente” 2014/2015.

188.- Oriol Petit Salas: “Creación de Correduría de Seguros y Reaseguros S.L. Gestión Integral de Segu-ros” 2014/2015.

189.- David Ramos Pastor: “Big Data en sectores Asegurador y Financiero” 2014/2015.

70

190.- Marta Raso Cardona: Comoditización de los seguros de Autos y Hogar. Diferenciación, fidelización y ahorro a través de la prestación de servicios” 2014/2015.

191.- David Ruiz Carrillo: “Información de clientes como elemento estratégico de un modelo asegurador. Estrategias de Marketing Relacional/CRM/Big Data aplicadas al desarrollo de un modelo de Bancasegu-ros” 2014/2015.

192.- Maria Torrent Caldas: “Ahorro y planificación financiera en relación al segmento de jóvenes” 2014/2015.

193.- Cristian Torres Ruiz: “El seguro de renta vitalicia. Ventajas e inconvenientes” 2014/2015.

194.- Juan José Trani Moreno: “La comunicación interna. Una herramienta al servicio de las organizacio-nes” 2014/2015.

195.- Alberto Yebra Yebra: “El seguro, producto refugio de las entidades de crédito en épocas de crisis” 2014/2015.